Análisis en profundidad relacionados: aumentar MTBF usando OEE nativo · por qué la mejora del OEE se estanca · cerrando el ciclo OEE-CMMS · OEE con visión por computadora.
El argumento de venta de todos los proveedores de IA para mantenimiento predictivo es así: "Conéctanos, entrenamos con tus datos, ahorras 30% en tiempo de inactividad para el segundo trimestre." La promesa de 90 días es real en la matemática de las presentaciones. En la realidad de planta, ningún modelo de IA puede predecir fallos antes de que existan los datos de los que aprender.
La Regla de 12 Meses es la secuencia honesta entre "compramos IA para PdM" y "la IA para PdM funciona en nuestra planta".
La Regla de 12 Meses dice: el tiempo desde el inicio hasta un modelo de IA para PdM listo para producción es al menos 12 meses, independientemente de las promesas del proveedor. La razón no es la competencia del proveedor, es la física de los datos.
Un modelo predictivo necesita un mínimo de 12 meses de datos de fallos codificados de forma limpia por clase de activo para encontrar patrones útiles. Si no tienes esos datos hoy, no existe un atajo.
La IA para PdM es aprendizaje supervisado. Necesita ejemplos etiquetados: "así se veía un activo antes de fallar". La mayoría de las plantas tienen 12 meses de datos de órdenes de trabajo, pero los códigos de fallo son genéricos ("reparación general", "varios") en lugar de específicos ("agarrotamiento de rodamiento", "deriva de tensión de correa"). La codificación limpia de fallos es el primer subproyecto de 3 meses de la Regla de 12 Meses.
La IA no puede predecir fallos solo con órdenes de trabajo. Necesita datos de sensores: vibración, temperatura, consumo de corriente, emisiones acústicas, calidad del aceite. La mayoría de las plantas tienen sensores en el 10 a 20% de sus activos críticos. La Regla de 12 Meses exige más del 80% de cobertura en los activos para los que realmente quieres predicciones.
La salida del modelo es una falla predicha con una acción recomendada. Esa recomendación debe fluir hacia un CMMS que cree una orden de trabajo, la asigne al mantenedor correcto, haga el seguimiento de la finalización y devuelva el resultado al modelo.
Si tu CMMS es un archivo físico, el modelo no tiene dónde enviar sus predicciones.
Este es el requisito que el proveedor nunca nombrará. La IA para PdM funciona solo cuando los técnicos actúan según las predicciones del modelo, no cuando dicen "el modelo no conoce mi planta". Construir esa confianza requiere explicaciones de modelo transparentes, umbrales iniciales conservadores y una cultura que valore los datos sobre los diagnósticos heroicos individuales.
Esto lleva más tiempo que cualquier tarea técnica.
Audita tus últimas 12 meses de órdenes de trabajo. Recodifica las entradas genéricas con modos de fallo específicos.
Verifica tu registro de activos: cada activo crítico debe tener un ID único, un padre en la jerarquía y una calificación de criticidad. Esto no es atractivo pero es esencial.
La mayoría de las plantas descubren que entre el 30 y el 60% de sus datos son inutilizables hasta que hacen este trabajo.
Lista los 10 activos críticos principales donde la predicción cambiaría la economía. Añade sensores donde falten: vibración para equipos rotativos, temperatura para rodamientos y motores, corriente para variadores, acústica para sistemas de aire comprimido. Presupuesta de forma realista: €5,000, €15,000 por activo para una cobertura adecuada.
Conecta los datos de sensores, el historial de activos y el CMMS en una sola canalización. Sensores → base de datos de series temporales → bus de eventos del CMMS. Webhook desde el CMMS hacia el modelo cuando se cierre una orden de trabajo (para que el modelo aprenda del resultado). La integración es la parte más subestimada de los 12 meses.
Entrena el modelo con tus datos ahora limpios y completos. Valida las predicciones contra datos retenidos. Ajusta umbrales de forma conservadora. Ejecuta una fase sombra donde el modelo dispare predicciones pero los técnicos actúen sobre ellas solo si lo aprueba el supervisor. Pásalo a operación en vivo una vez que se haya establecido la confianza.
Mide este número: % de fallos predichos por la IA que se evitaron antes de causar tiempo de inactividad. Línea base inicial en el mes 12: 25 a 40%. Operación madura en el mes 24: 60 a 75%. Una planta por encima del 80% está usando la IA para PdM como fue diseñada. Por debajo del 25% en el mes 12 significa que no se ha satisfecho algún requisito previo; vuelve atrás y arréglalo.
Esto es un programa, no una compra. Lee el desglose de precios del software OEE, el artículo sobre la brecha de inteligencia, y la guía para cerrar el ciclo OEE para la base bajo la IA para PdM.
O bien (1) ya tienes los cuatro requisitos previos y cumplirán, o (2) están entrenando un modelo genérico con suposiciones y obtendrás falsos positivos que destruirán la confianza del equipo en el mes dos. Pide tres clientes de referencia con tu número de activos y complejidad.
Si no pueden presentarlos, la promesa de 90 días es marketing.
De forma limitada. La IA solo con órdenes de trabajo puede detectar patrones de frecuencia pero no puede predecir fallos agudos. Combinar IA de órdenes de trabajo con OEE basado en visión por computador (sin PLC) es un camino intermedio para plantas sin presupuesto de sensores.
El mantenimiento basado en la condición actúa sobre reglas de umbral (vibración > X, temperatura > Y). La IA para PdM usa reconocimiento de patrones en múltiples señales para predecir fallos antes de que cualquier umbral individual se dispare. El CBM es un requisito previo para la IA para PdM, no una alternativa.
La IA generativa (LLMs) es excelente para resumir órdenes de trabajo, ayudar al técnico y buscar en la base de conocimiento. No es mantenimiento predictivo. No confundas ambas cosas al evaluar proveedores.
La IA para mantenimiento predictivo es real y funciona, una vez que la base está en su sitio. La Regla de 12 Meses existe porque no se puede saltar la base.
Los proveedores que prometen más rápido o están vendiendo un modelo genérico que producirá falsos positivos, o cuentan con que ya tengas la base. Audita tus datos, cobertura de sensores, preparación del CMMS y cultura del equipo antes de firmar.
Si faltan tres de los cuatro, haz primero el trabajo de base de 12 meses; la conversación sobre IA irá mucho mejor después.
Vea OEE & CMMS en vivo en 15 minutos.
Reservar una demo
Iniciar sesión
Blog
